复杂背景下的混合特征车牌定位方法

针对各种复杂背景的车牌定位问题,提出一种复杂背景下基于车牌混合特征的车牌定位算法。首先对彩色图像进行预处理,并利用基于边缘检测方法进行二值化;然后结合横向数学形态学运算和车牌几何形状特征,提取出矩形车牌候选区域;最后根据车牌颜色特征在HIS空间下结合垂直和水平投影对车牌区域进行精确定位。实验表明,该算法适用于任意大小、位置和背景环境下的车牌定位,能有效解决仅仅依靠纹理信息或颜色信息车牌定位率低的问题,具有较强的鲁棒性。     

基于小波纹理分析的彩色车牌定位算法研究

针对传统的车牌定位算法是采用灰度图像的纹理特征的,由于灰度图像的纹理特征诸多特性和局限性,给车牌定位算法带来很大的困难;鉴于此,提出了基于小波纹理分析的彩色车牌定位算法;首先对图像进行二维小波分解,计算滑动窗内图像的小波纹理特征;然后同时将低频子图转化RGB色彩分量为HSV色品值,提取颜色特征并得到综合特征向量;其次利用小波变化定位出车牌区域;最后对定位出的车牌进行后期校正处理并输出定位结果;该算法采用综合特征定位,克服了采用单一特征定位的缺点和局限性,从实验结果可以看出该算法能够较准确的从背景图像中提取出车牌位置信息。     

基于纹理和颜色的模糊车牌的增强与定位

针对汽车牌照自动识别系统中图像效果差的问题,本文提出了一种基于盲解卷积的增强算法,并给出了一种纹理和颜色分析相结合的车牌定位方法.该方法利用车牌字符具有明显竖直纹理的特征,经边缘检测获取垂直边缘图,结合形态学及车牌固有特征,确定疑似牌照区域;同时在HSV颜色空间进行颜色分割,提取出满足车牌颜色特性的区域.实验结果表明,在车牌图像失真的情况下,该方法能够快速有效地实现图像恢复和车牌定位.     

一种新的汽车牌照快速定位方法

选取具有很强稳定性和可识别性的车牌纹理特征，提出了一种快速的汽车牌照定位方法。该方法首先利用车牌的粗纹理特征，通过高通能量滤波进行初步定位；再基于细纹理特征，通过提取候选区域小波纹理信息结合数学形态学和投影法进行准确定位；最后跟据车牌的颜色和纹理均匀性对定位结果进行修正。实验结果表明该方法分割定位迅速，定位准确率高。     

利用综合特征的车牌定位方法

车牌定位是车牌识别系统的关键技术之一.提出利用结构特征、纹理特征和颜色特征的车牌定位新方法.首先,利用顶帽变换抑制背景;其次,进行垂直边缘检测和形态滤波,通过结构特征进行车牌粗定位;再次,对候选区域的垂直投影应用一维小波分解滤噪,然后重构垂直投影,计算纹理统计量并构造纹理特征向量,应用BP神经网络识别车牌的字符纹理进行车牌的再定位;最后,对候选区域进行基于边缘颜色对的彩色边缘检测,根据其水平投影值进行车牌的精定位.对各种条件下拍摄的314幅含有车牌的车辆图像应用本算法,定位准确率达到98.7%.     

多特征融合的车牌定位算法

针对使用单一特征在复杂场景下车牌定位效果不佳的问题,提出了一种融合了边缘、颜色、纹理等多种特征的车牌定位算法。该算法将定位过程分为假设生成和假设检验两个阶段:在假设生成阶段,使用特征点检测、形态学作为主要技术手段,利用车牌的字符纹理和颜色特征生成候选车牌;在假设检验阶段,使用灰度投影作为技术手段,利用车牌结构的固有特征验证候选并实现定位。实验结果表明:在包含实际场景的车牌图像库中,定位成功率可以达到96.6%,精确度可以达到95.4%,验证了多特征融合算法的合理性和有效性。     

基于特征多样性的车牌定位方法

本文提出了一种基于结构特征和纹理特征的车牌定位方法:对车辆图像进行预处理,检测垂直方向的边缘,执行数学形态学操作,并利用车牌的结构特征粗定位车牌区域;提取车牌的纹理特征并构建特征向量,通过贝叶斯分类器来精确定位车牌区域。该方法不受车牌大小、位置等因素限制。对采集到的各种复杂背景、环境下的车辆图像进行了大量实验。实验证明:该方法定位率高,速度快,具有较好的鲁棒性。     

基于颜色和纹理分析的车牌定位方法

针对复杂背景的车牌定位问题，提出了一种颜色和纹理分析相结合的车牌定位算法。该算法采用基于适合彩色图象相似性比较的HSV颜色模型，首先在颜色空间进行距离和相似度计算；然后对输入图象进行颜色分割，只有满足车牌颜色特性的区域，才进入下一步的处理；最后再利用纹理及结构特征对分割出的颜色区域进行分析和进一步判断，并确定车牌区域。该方法不同于大多数的车牌定位方法，它不仅对车牌的大小、汽车在图象中的位置以及图象背景的限制较少，而且，综合特征定位要比单一特征定位更符合人的视觉要求，因而定位效果更好，应用范围更广。     

复杂图像中基于综合特征的车牌定位方法

本文提出一种综合多种特征的车牌定位算法.在纹理与形状分析基础上充分利用色彩信息,纹理有效地解决了背景复杂的彩色图像中车牌定位问题.大量试验证明该方法准确率高,鲁棒性好.     

一种新的快速自适应车牌定位方法

针对现存车牌定位方法自适应性差和鲁棒性不强的情况。本文提出了一种新的快速自适应车牌定位算法．此算法结合图象中车牌区域的纹理特征、灰度和边缘投影信息定位车牌。经对不用场景、不同光照、不同车型的汽车图象的实验表明该算法具有快速，鲁棒性强，自适应性好的优点。     

基于纹理及颜色特征的分级车牌定位方法

智能车牌定位是一个经典而又具有重大使用价值的课题.针对现实生活中车牌的纹理及颜色特征,提出综合利用纹理信息及颜色信息实现车牌的快速定位.先充分利用纹理特征,结合隔列处理思想和类投影技巧,在将原始图像连续的纹理信息空间转换成离散的短线条信息空间后,统计预处理过程中的短线密度,取密度最大区域,即为车牌所在区域,实现初步定位,再在初定位的区域结合车牌底色先验知识,延展初定位区域,进行颜色匹配,进而可以实现精确车牌定位,方法解决了仅仅依靠颜色信息或纹理信息车牌定位准确率低的问题.算法定位速度快,鲁棒性性强,准确率高,在现实中有很强的实用性.     

基于数学形态学和颜色特征的车牌定位方法

为了解决单一车牌定位算法在复杂背景中定位效果不理想的现状,提出一种数学 形态学和颜色特征相结合的算法对车牌进行定位。首先利用最大类间方差法(Ostu 算法)找到一 个最佳的阈值,根据所得阈值把得到的灰度图像二值化,然后采用一种改进的数学形态学算法 对图像进行边缘检测,最终结合数学形态学和车牌颜色特征进行准确定位。实验表明该算法明 显优于传统或单一的车牌定位方法,定位准确率高,对背景限制少,应用范围广。     

基于形态学梯度重建的车牌定位方法

准确定位车牌是车牌识别的重要基础。针对复杂环境下车牌图像容易受背景、光照等因素的影响而导致车牌定位精度较低的问题,提出了一种基于形态学梯度重建的车牌定位方法。该方法首先利用颜色信息确定车牌候选区域;然后利用矢量梯度算子获取候选区域中车牌图像的梯度,利用形态学梯度重建运算提取具有车牌特征的图像结构,同时抑制非车牌特征的图像结构;最后利用车牌固定的宽长比先验信息对矩形区域进行提取,最终得到准确的车牌定位结果。实验结果表明,提出的车牌定位方法能在复杂环境下快速、准确地定位车牌,且具有较高的鲁棒性和实时性。     

一种新的车牌定位方法

该文提出一种基于颜色与纹理综合特征的车牌定位新方法。首先进行颜色分割,提取并强化目标颜色,然后提出一种专门针对车牌颜色的灰度化方法进行灰度化处理,最后进行区域生成,分割并定位车牌。实验表明算法效果好,速度快,尤其是提出的灰度化算法较标准灰度化算法效果更明显。     

基于色彩分割与体态纹理分析的车牌定位方法

介绍了一种基于色彩分割、体态分析及数学形态学纹理分析的车牌定位方法。该方法利用车牌与背景的色彩特征．在HSV空间内根据车牌颜色的三分量取值范围和色彩距离阚值进行色彩分割以初步过滤背景。对分割后得到的与车牌底色相符合的连通区域再根据车牌体态特征和车牌字符纹理特征，应用数学形态学处理及连通域体态分析等手段，逐步过滤干扰区域，最终定位正确的车牌位置。该方法充分考虑了车牌与背景的色彩、体态及纹理特征的差别，实验证明在复杂背景下具有很强的适应性与鲁棒性。     

基于综合特征的车牌分割算法

本文根据车牌区域具有丰富的垂直纹理这一主要特征,并结合车牌尺寸和通过投影呈现的峰值在一定范围内较为固定等特点,提出一种基于综合特征的车牌分割新方法。实验结果表明:该方法能够较为准确地完成车牌区域的分割,整个算法复杂度低,能够满足实时分割的要求。     

基于数学形态法和主成分分析法的车牌定位

作为车牌识别的首要和关键技术,车牌定位的结果直接决定了识别的成败。新的方法充分利用车牌图像的位置、形状、纹理、颜色等特征,结合数学形态法进行车牌定位,并以主成分分析法进行车牌倾斜校正。试验结果表明,新的方法能够快速而准确得定位车牌。     

基于CNN彩色图像边缘检测的车牌定位方法

针对现有车牌定位算法准确率不高、步骤多和速度慢等问题, 提出一种彩色图像车牌定位方法(License plate locating based on CNN color edge detection, LPLCCED). 首先利用细胞神经网络(Cell neural network, CNN)模型导出一种与车牌颜色特征相结合的车牌定位专用边缘检测算法, 将车牌的颜色对约束条件融合到边缘检测算法中, 本文专用边缘检测算法可以大大缩小车牌初步定位的范围. 接下来提出一种针对车牌特征的边缘滤波算法, 最后根据车牌结构和纹理特征对候选区域进行判别验证. 该流程的各个环节都可以通过硬件实现, 为面向智能交通领域的实时车牌识别系统的前期车牌定位处理提供了依据.